mislo

Fakulteta za računalništvo in informatiko · Univerza v Ljubljani

Podatkovno rudarjenje in vizualizacija

Za predmet Podatkovno rudarjenje in vizualizacija še ni zapiskov.

Imaš svoje zapiske? Objavi jih: ceno določiš ti, z naročnino ti ostane cela, DDV se doda kupcu.

Objavi zapiske

Čakaš na zapiske? Prijavi se in povej. Ko jih kdo objavi, dobiš sporočilo.

Želim zapiske

Kaj lahko narediš že danes

Naloži svoje gradivo za predmet Podatkovno rudarjenje in vizualizacija: Mai ga prebere in ti iz njega naredi kartice, kviz in razlago, ko ti kaj ni jasno. Če zapiske kasneje objaviš, jih prodajaš tukaj.

Naloži svoje gradivo

Učni načrt

Podatki so iz učnega načrta, ki ga objavlja Fakulteta za računalništvo in informatiko. Prebrano 7. 9. 2026. Poglej izvirnik

6 kreditnih točk

Obveznosti v urah

  • Predavanja45 ur
  • Vaje30 ur
  • Samostojno delo105 ur

Vsebina

  1. Podatkovno rudarjenje je interdisciplinaren pristop k odkrivanju znanja iz (velikih) množic podatkov.
  2. Zbiranje in priprava in podatkov. Obravnavamo prevedbo problemov v obliko, ki je primerna za uspešno podatkovno rudarjenje.
  3. Mere podobnosti in razvrščanje v skupine.
  4. Podatke želimo analizirati glede medsebojne podobnosti posameznih primerov in jih razvrstiti v skupine. Predstavimo poglavitne tehnike in izzive.
  5. Ovrednotenje in izbira pomembnih atributov.
  6. Napovedni modeli. Spoznamo napovedne modele s področja statistike in strojnega učenja ter pogoje, da le-ti v praksi dobro delujejo.
  7. Predstavimo rešitev v obliki tehnik razlage, ki grafično predstavijo delovanje napovednih modelov in obrazložijo njihove odločitve.

Ocenjevanje

Sprotno preverjanje: domače naloge, projektno delo. 50 %, Končno preverjanje: pisni in ustni izpit. 50 %

Pogoji za vključitev

Osnovno znanje statistike. Predmet lahko izberejo študenti, ki vsebin še niso poslušali na prvi stopnji. Predmeta ne morejo izbrati študenti Magistrskega študijskega programa Računalništvo in informatika. Predmet je primeren tudi za študente 3. letnikov prvostopenjskih programov, ki imajo ustrezno predznanje.

Literatura

  • Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann.
  • T. Hastie, R. Tibshirani, J. Friedman (2009): The elements of statistical learning, 2nd edition. Springer.
  • Janert, P. K. (2010). Data analysis with open source tools. O'Reilly Media.
  • Dodatno literaturo v obliki člankov in posnetkov predavanj znanih predavateljev dobijo študenti na spletni učilnici.

Kako deluje

  1. Zapiske kupiš enkrat in ostanejo tvoji.
  2. V aplikaciji iz njih dobiš kartice, kvize in Mai, ki pozna gradivo.
  3. Ceno določi avtor. Prodajalec je Mislo AI, račun dobiš od nas.